Dalam karya agen di AI-First Company saya memperkenalkan spektrum lima tingkat untuk memahami agen perangkat lunak. Karya ini menghasilkan respons yang kuat dan komentar yang berharga, untuk keduanya saya sangat berterima kasih.
Beberapa pembaca mempertanyakan perkembangan asli spektrum. Mereka mencatat bahwa agen pengembangan yang dapat berkolaborasi berdasarkan aturan yang telah diprogram adalah tantangan yang berbeda, dan seringkali lebih sederhana, dibandingkan dengan menciptakan agen tunggal yang benar-benar dapat belajar dan berkembang dengan sendirinya. Argumen mereka persuasif: kami kemungkinan akan mengembangkan dan menggunakan sistem Koordinasi diri agen sebelum menguasai benar -benar Pembelajaran otonom agen.
Wawasan ini tidak hanya bertukar dua level; Ini menyoroti perlunya kerangka kerja yang lebih bernuansa. Berdasarkan diskusi ini, saya telah menambahkan level tambahan ke spektrum asli untuk mewakili pengembangan dunia nyata dari kemampuan AI dengan lebih baik.
Spektrum agen 6-level yang diperbarui
Spektrum yang disempurnakan sekarang membedakan antara sistem agen koordinasi (level 4) dan agen pembelajaran otonom tunggal (level 5), dan menugaskan agen pembelajaran yang berkolaborasi ke level 6 baru, sehingga menciptakan perkembangan yang lebih logis dan kuat.
- Level 1: Otomatisasi dasar. Agen mengikuti aturan deterministik yang telah ditentukan sebelumnya untuk melakukan tugas berulang. Itu tidak belajar dari lingkungannya atau menyesuaikan perilakunya.
- Contoh: Robot UIPath yang menjalankan alur kerja yang telah ditentukan sebelumnya untuk memproses faktur.
- Level 2: Agen interaktif. Agen dapat memahami input dan menghasilkan output yang relevan untuk satu sesi. Ini tidak memiliki ingatan yang gigih dan kemampuan untuk belajar secara mandiri.
- Contoh: Chatbot FAQ dasar di situs web yang menanggapi kata kunci tertentu tanpa mengingat percakapan.
- Level 3: Agen adaptif kontekstual. Agen mempertahankan memori selama tugas dan menyesuaikan tindakannya secara real-time. Adaptasinya adalah situasional dan tidak menciptakan pengetahuan umum.
- Contoh: Chatbot seperti Gemini atau ChatGPT yang menggunakan sejarah percakapan saat ini untuk memberikan dialog multi-putar yang koheren.
- Level 4: Sistem multi-agen terkoordinasi. Sistem agen level 3 berganda yang bekerja bersama berdasarkan aturan yang dirancang sebelumnya dan dirancang manusia dan protokol komunikasi.
- Contoh: Alur kerja berbasis Zapier- atau MCP di mana email baru di Gmail memicu agen untuk menyimpan lampiran ke Dropbox dan mengirim pemberitahuan ke Slack.
- Level 5: Agen pembelajaran otonom. Agen belajar dari tindakannya dengan mengabstraksi prinsip -prinsip umum dari pengalamannya, memungkinkannya untuk bertindak secara efektif dalam situasi baru dan mengembangkan strateginya dari waktu ke waktu.
- Contoh: Deepmind’s Alphago, yang belajar bermain Go di tingkat manusia super dengan mengembangkan strategi baru melalui permainan mandiri.
- Level 6: Sistem kolaboratif yang muncul. Sistem agen level 5 ganda yang belajar Bagaimana untuk berkolaborasi. Strategi kolektif sistem muncul dari interaksi agen dan pembelajaran bersama.
- Contoh: Penelitian penalaran yang dapat disusun Google DeepMind, di mana beberapa agen LLM belajar untuk menguraikan masalah yang kompleks dan membentuk tim dinamis untuk menyelesaikannya.
Dari Perangkat Lunak ke Dunia Fisik: Spektrum AI yang Diwujudkan
AI yang diwujudkan mengacu pada agen cerdas yang memiliki tubuh fisik. Ini memungkinkan mereka untuk memahami, bernalar, dan berinteraksi langsung dengan dunia fisik. Tidak seperti agen AI berbasis perangkat lunak murni, kecerdasan agen-agen ini dibentuk oleh pengalaman fisik dan umpan balik sensorik mereka. Spektrum agen meluas secara alami di luar perangkat lunak ke dunia robotika.
- Level 1: Otomatisasi robot dasar. Mengeksekusi set gerakan fisik yang sudah diprogram tanpa diprogram tanpa input sensorik.
- Contoh: Mesin CNC memotong sepotong logam.
- Level 2: Robot responsif sensorik. Memodifikasi rutinitasnya berdasarkan input sensorik langsung yang sederhana sesuai dengan aturan tetap.
- Contoh: Lampu lalu lintas cerdas yang menyesuaikan waktu berdasarkan data real-time dari sensor yang ditempatkan di persimpangan.
- Level 3: Robot adaptif kontekstual. Memanfaatkan sensor dan geofence yang ditentukan pengguna untuk membangun model lingkungannya, memungkinkannya untuk beroperasi secara mandiri dan menyelesaikan tugas tertentu.
- Contoh: Pembersih robot penyedot debu yang beroperasi di rumah, atau robot rumah sakit yang mengantarkan obat ke berbagai departemen.
- Level 4: Sistem robot terkoordinasi. Sistem robot level 3 berganda bekerja bersama berdasarkan aturan koordinasi yang dirancang manusia.
- Contoh: Armada robot gudang mengikuti aturan lalu lintas yang dikelola secara terpusat.
- Level 5: Robot pembelajaran otonom. Sebuah robot tunggal yang belajar dari interaksi fisiknya dengan mengabstraksi prinsip -prinsip umum (misalnya, tentang fisika, navigasi) untuk menangani situasi baru.
- Contoh: Kendaraan otonom Waymo, yang model penggeraknya terus meningkat berdasarkan pengalaman kolektif seluruh armada.
- Level 6: Sistem robot kolaboratif yang muncul. Sistem robot pembelajaran level 5 berganda yang belajar mengoordinasikan tindakan fisik dan strategi mereka secara kolektif sebagai hasil dari pengalaman bersama mereka.
- Contoh: Serangkaian drone pencarian-dan-penyelamatan yang mempelajari pola paling efektif untuk mencapai tujuan yang relevan sebagai sebuah kelompok.
Spektrum agen yang diperbarui ditunjukkan di bawah ini
Lompatan penting: Dari konteks menyalin ke pembelajaran sejati
Perbedaan kritis mendefinisikan lompatan dari level yang lebih rendah ke yang lebih tinggi. Agen di Level 3 adalah master adaptasi situasional. Mereka dapat “menyalin” konteks tugas tertentu, misalnya, pemetaan pembersih robot yang memetakan ruangan, tetapi mereka tidak belajar dari setiap pengalaman seperti itu. Jika konteksnya bukan kecocokan yang hampir jadi di masa depan, pengalamannya tidak banyak berguna.
Lompatan revolusioner di Level 5 adalah kemampuan untuk Abstrak atas konteks. Sementara tujuan utamanya adalah agar agen belajar dan menggeneralisasi prinsip -prinsip yang mendasari melalui metode seperti pembelajaran penguatan yang mendalam, jalan menuju tingkat otonomi ini tidak semua atau tidak sama sekali. Kita cenderung melihat kemajuan jangka pendek yang signifikan dari agen yang menjadi sangat terampil dalam menggambar dari sejarah kontekstual yang luas untuk menangani situasi baru, terutama kasus tepi yang langka. Bentuk pencocokan pola yang canggih ini adalah batu loncatan yang kritis, tetapi pergeseran paradigma yang sebenarnya tetap menjadi perpindahan dari menemukan pencocokan yang hampir terjadi ke pengembangan pemahaman abstrak yang asli.
Catatan tentang Pembelajaran Arsitektur: Model Homogen vs Personalisasi
Diskusi agen pembelajaran (Level 5 dan 6) memunculkan pilihan desain yang kritis: Bagaimana pembelajaran dikelola di banyak pengguna atau unit? Jawabannya sepenuhnya tergantung pada kasus penggunaan.
- Armada Homogen: Untuk sistem seperti kendaraan otonom Waymo atau armada robot otonom, konsistensi, dan prediktabilitas pabrik adalah yang terpenting. Di sini, setiap agen menjalankan Sama, model yang diperbarui secara terpusat. Kemampuan agen ditentukan oleh seluruh sistem, pengalaman mengumpulkan kendaraan, dan pusat data yang memproses pengalaman tersebut untuk meningkatkan model yang digunakan oleh armada. Tujuannya adalah untuk menciptakan “otak” tunggal yang sangat dioptimalkan yang digunakan di lingkungan yang semakin kompleks, memastikan setiap unit berperilaku identik dan mendapat manfaat dari pembelajaran kolektif seluruh armada.
- Ekosistem yang dipersonalisasi: Dalam skenario lain, seperti asisten perangkat lunak pribadi, keseragaman tidak diinginkan. Setiap pengguna memiliki konteks yang unik, data pribadi, dan kebutuhan spesifik. Di sini, setiap agen harus dilatih atau disesuaikan secara berbeda. Ini memperkenalkan tantangan privasi dan kontainerisasi data, yang sedang diselesaikan dengan metode canggih seperti pembelajaran federasi. Teknik ini memungkinkan model global untuk belajar dari pengalaman kolektif semua pengguna tanpa pernah mengakses data pribadi mereka, memungkinkan personalisasi dan intelijen bersama.
Perbedaan antara arsitektur pembelajaran yang seragam dan yang dipersonalisasi ini merupakan faktor penting dalam penyebaran agen maju dunia nyata.
Dimensi berikutnya: Peaming Agen Manusia
Sejauh ini, kerangka kerja kami telah berfokus pada kemampuan agen dan hubungan mereka dengan satu pengguna manusia. Namun, masa depan pekerjaan melibatkan peningkatan kolaborasi antara manusia dan agen AI. Prospek ini menimbulkan pertanyaan penting: Apa yang terjadi ketika tim manusia berkolaborasi dengan agen untuk mencapai tujuan bersama? Ini memperkenalkan dimensi kompleksitas baru.
- Agen bersama (satu-ke-banyak): Dalam model ini, instance agen tunggal melayani seluruh tim. Agen tidak hanya harus memahami tugas tetapi juga dinamika sosial tim, mengelola konteks bersama, dan berpotensi memediasi input manusia yang bertentangan. Ini membutuhkan tingkat kesadaran kontekstual yang tinggi, kemungkinan menuntut kemampuan level 5.
- Agen individu (banyak-ke-banyak): Setiap anggota tim memiliki agen sendiri. Ini mengarah ke dua sub-casing yang berbeda dan kuat:
- Tim yang homogen: Setiap anggota tim menggunakan hal yang sama jenis agen (misalnya, setiap orang memiliki “agen penulisan”). Ini menciptakan kebutuhan mendesak bagi agen untuk berkoordinasi, mendorong pengembangan kolaborasi level 4 (terprogram) dan level 6 (terpelajar).
- Peaming heterogen: Anggota tim menggunakan berbeda, Khusus Agen (misalnya, seorang penulis dengan “agen penulisan,” seorang editor dengan “agen pengeditan,” dan seorang peneliti dengan “agen pemeriksaan fakta”). Ini merupakan pembagian kerja yang benar di antara para agen itu sendiri, mengharuskan mereka untuk menyadari peran masing -masing dan dengan mulus menyerahkan tugas. Ini adalah visi utama untuk sistem kolaboratif Level 6 yang muncul, menciptakan jalur perakitan digital yang dinamis dan mandiri.
Memahami arsitektur tim ini sangat penting. Masa depan produktivitas akan didefinisikan tidak hanya oleh kekuatan agen individu, tetapi dengan bagaimana mereka ditenun ke dalam jalinan kolaborasi manusia. Pengembangan protokol komunikasi standar, seperti protokol agen-ke-agen Google (A2A) atau protokol konteks model antropik (MCP), akan menjadi akselerator penting untuk menciptakan tim agen yang kuat dan heterogen ini dalam skala.
Jalur baru menuju AI yang diwujudkan canggih: Bangkitnya Model Yayasan
Terobosan terbaru dari Google, Toyota Research Institute, dan lainnya menunjukkan metode baru yang revolusioner untuk menciptakan agen fisik canggih. Pendekatan ini menggunakan Model Yayasan sebagai “otak” untuk robot.
Perkembangan ini tidak mengubah spektrum agen. Sebaliknya, ia menyediakan jalur baru yang kuat untuk mencapai kemampuan Level 5. Dengan pra-pemuatan robot dengan model fondasi, kami memberinya pemahaman “akal sehat” tentang dunia. Tidak perlu mempelajari apa itu “apel” dari awal; Ini mewarisi pengetahuan abstrak itu. Akibatnya, pelatihan robot dapat fokus pada menghubungkan pengetahuan yang luas ini dengan tindakan fisik. Metode ini adalah akselerator besar untuk menciptakan agen level 5 yang dapat menggeneralisasi dan bertindak secara efektif dalam situasi baru, sejajar dengan definisi inti dari level tersebut.
Posting Terkait Berikutnya
Posting terkait sebelumnya
Pos yang mengembangkan spektrum agen AI: dari perangkat lunak ke AI yang diwujudkan muncul pertama kali di Evangelos Simoudis.
